Spring AI Alibaba框架赋能开发者构建后台定时自主Agent，通过智能化自动化与人机协同，显著提升企业在数据分析、事件响应和决策支持方面的效率。
原文标题：Spring AI Alibaba实践｜后台定时Agent
原文作者：阿里云开发者
冷月清谈：
文章指出，自主运行Agent能够显著提升执行效率，将AI Agent视为可替代部分工作的“人”来运用。这将极大地拓宽个体创业者的能力边界，并在工程领域促成“一个人+多Agent”的协作模式，从而提升整体生产效率。
在业务应用层面，自主Agent的潜力巨大，主要体现在以下几个方面：
* **自动化周期性业务**：例如企业经营数据分析、报表生成，实现无人值守的自动化执行。
* **批量清算处理**：在金融投研等领域，批量处理海量多源数据，挖掘投资机遇和风险。
* **事件应急预案响应**：针对物联网、安全监控中的突发事件，Agent能自动监听、分析并发布告警。
* **人类参与决策判断**：Agent处理常规事务，仅在遇到高风险或需人工判断时通知管理者介入。
* **复杂长周期任务**：处理需长时间运行、跨域多模态的数据分析场景，在后台完成预加工。
* **周期性任务记忆管理**：Agent能管理不同周期的执行记录，分析数据随时间的变化趋势，辅助决策。
在构建定时运行Agent方面，文章将SAA与聊天模式应用、低代码平台进行了对比，强调SAA在复杂企业级AI Agent应用场景下的高代码开发优势。SAA通过其`CompiledGraph`上的`schedule(ScheduleConfig config)`方法实现定时执行，并由`ScheduledAgentManager`进行任务注册和管理，为分布式部署和可视化监控提供支持。
最后，文章通过“店铺经营日报Agent”和“评价舆情分析Agent”两个实践案例，展示了SAA框架下如何灵活地构建结合业务编码和Prompt模板的自定义Agent，实现精准数据与大模型非结构化数据分析的融合，以及在必要时提示用户介入的智能监控系统，从而有效提升企业智能化水平。
怜星夜思：
2、文章里提到了自主运行Agent能提升效率，但有没有可能在某些场景下，过于自主的Agent反而会带来一些意想不到的问题？比如误操作、资源滥用，或者在复杂决策时“自作主张”导致偏差？在设计和部署这类Agent时，应该特别注意哪些潜在风险的规避？
3、现在的AI Agent大部分还是依赖大模型的能力。如果未来大模型自身的能力有了飞跃性突破，比如能更好地理解上下文、执行更复杂的推理甚至具备一定程度的“常识”，那么我们对这些后台定时Agent的期望和设计会有什么根本性的变化？会不会有完全颠覆现在模式的新应用场景出现？
原文内容
参考Langchain的这篇文章[1]，面对目前我们常见Chat模式的Agent形态以外，还可以充分发挥Agent新的运行形态：
-
自主持续运行Agent：突破目前大部分AI应用依赖用户主动发起对话（Chat）聊天模式的限制。Agent通过监听环境信号（如：定时运行、消息事件、上下文变化），Agent作为智能体，按计划定时运行的特性在实际业务场景中非常有用。
-
Agent发起人机交互：关键点在于部分任务需通过“人工确认”机制（如通知、提问、审核）确保与用户目标一致，Agent在自主运行过程中需要一个人机交互窗口，支持人工介入机制，从而在自主性与可控性间取得平衡。
Spring AI Alibaba（以下简称SAA）为开发上述形态的Agent提供了相应的框架支持，方便业务快速实现上述场景需求下的Agent开发。
为什么需要自主运行Agent
通过自主运行的Agent可以充分发挥其执行效率，让其具备按预设规划自主工作的能力，无需每次都等待人类指令运行，可将Agent作为一个能替代你部分工作自主运行的“人”来看待。
由此我们可以看到，随着Agent的能力增强，以及Agent自主能力的提升，应该会出现以下局面：
-
个体创业者的能力边界将被大幅度拓宽。
-
在工程领域多人协同的工作可拆解到由一个人+多Agent来完成，以提高生产效率。
从业务需求的角度看，可以有以下一些场景可探索挖掘。
-
自动化周期性业务
-
批量清算处理
-
事件应急预案响应
-
人类参与决策判断
-
复杂长周期任务
-
周期性任务记忆管理
如何构建定时运行Agent
目前市面上定时AI Task相关的应用，主要分为以下几类：
|
对比维度 |
Chat聊天模式 |
低代码平台 |
Agent开发框架 |
|
代表性产品 |
ChatGPT Task、Manus Task |
百炼、Coze、Dify |
LangGraph、Spring AI Alibaba |
|
使用方式 |
通过聊天提示按指定周期执行某项任务 |
配置定时触发器，或者通过第三方定时触发源运行 |
提供API设置定时执行 |
|
特点说明 |
基于提示词简单周期性总结提醒 |
低代码开发场景，依赖外部触发源管理；可通过MSE任务调度产品配置Http任务触发运行 |
高代码场景，适合开发复杂企业级AI Agent应用场景；LangGraph CronJob需要对接其专用调度平台支持 |
接下来重点说明下SAA中的定时Agent设计构想，为了支持后台自主执行的Agent，在CompiledGraph上提供的schedule(ScheduleConfig config)方法可自由设置该Agent定时执行。对于后台定时运行的Agent任务在设计上都通过ScheduledAgentManager来进行任务的注册管理，目前开源默认实现提供了单机应用进程内的Agent任务运行管理实现。
通过上述方式，后续可支持在分布式部署场景下的定时Agent任务运行，同时为自定义Agent任务可视化管理和运行监控提供扩展点。
基于SAA自主运行Agent展示
Spring AI Alibaba作为Agent开发框架，可方便地为业务开发Agent提供了对应解决方案，同时在框架侧也提供了构建定时运行的Agent能力。后续将通过框架提供的定时调度、人工节点功能，实现两个实践案例：店铺经营分析Agent、评价舆情分析Agent。
店铺经营日报Agent
通过SAA框架可以方便的开发出自定义的Agent（Workflow Agent），相比于低代码平台的流程构建，通过编码方式定义Agent流程会更适合高度定制的场景。比如当前的这个Agent我们需要从多个维度（交易订单、产品说明、客户画像信息、门店基础信息、客户评价反馈等）去提取对应的数据信息，通过业务编码再结合Prompt模版提供给LLM进行分析处理在实现上更具灵活性和可控性。
通过这个方式，让业务报表既能保持关键数据的准确性，又可结合发挥模型对非结构化数据分析，提炼总结出报告的核心要点和下一步行动方案。
参考代码
@Bean public CompiledGraph dailyReportAgent(ChatModel chatModel) throws GraphStateException {ChatClient chatClient = ChatClient.builder(chatModel).defaultAdvisors(new SimpleLoggerAdvisor()).build();
AsyncNodeAction dataLoaderNode = node_async(
(state) -> {
/*
* 业务报告元数据读取，如：指定周期的订单销量数据、
* 门店产品信息、订单用户反馈信息
*/
}
);
// 定义一个经营日报生成节点，根据提供的原始数据信息结合Prompt生成报告
LlmNode llmDataAnalysisNode = LlmNode.builder().chatClient(chatClient)
.paramsKey(“data_summary”)
.outputKey(“summary_message_to_sender”)
.userPromptTemplate(DAILY_REPORT)
.build();
// Agent流程：提取原始数据–>生成经营日报–>发送日报信息
StateGraph stateGraph = new StateGraph(“OperationAnalysisAgent”, () -> {
Map<String, KeyStrategy> strategies = new HashMap<>();
strategies.put(“data_summary”, new ReplaceStrategy());
strategies.put(“summary_message_to_sender”, new ReplaceStrategy());
strategies.put(“message_sender_result”, new ReplaceStrategy());
strategies.put(“access_token”, new ReplaceStrategy());
return strategies;
}).addNode(“data_loader”, dataLoaderNode)
.addNode(“data_analysis”, node_async(llmDataAnalysisNode))
.addNode(“message_sender”, node_async(generateMessageSender()))
.addEdge(START, “data_loader”)
.addEdge(“data_loader”, “data_analysis”)
.addEdge(“data_analysis”, “message_sender”)
.addEdge(“message_sender”, END);CompiledGraph compiledGraph = stateGraph.compile();
compiledGraph.setMaxIterations(100);
// 设定当前Agent每天8点执行
ScheduleConfig scheduleConfig = ScheduleConfig.builder()
.cronExpression(“0 0 8 */1 * ?”) // 每天8点
.build();
compiledGraph.schedule(scheduleConfig);
return compiledGraph;
}
评价舆情分析Agent
当前案例主要体现Agent自主定时运行，仅在分析发现必要时提示用户进入“人工决策”。相比较于传统的基于数值比较、关键词匹配等监控方式，通过LLM接入可增加业务监控新的维度，让监控面向更加泛化的数据场景，包括非结构化的文本数据、图片、影像等等，通过各类型结构数据充分挖掘出潜在风险。
参考代码
@Bean public CompiledGraph evaluationAnalysisAgent(ChatModel chatModel, FeedbackMapper feedbackMapper) throws GraphStateException {ChatClient chatClient = ChatClient.builder(chatModel).defaultAdvisors(new SimpleLoggerAdvisor()).build();
EvaluationClassifierNode sessionAnalysis = EvaluationClassifierNode.builder()
.chatClient(chatClient)
.inputTextKey(“iterator_item”)
.outputKey(“session_analysis_result”)
.categories(List.of(“yes”, “no”))
.classificationInstructions(List.of(“要求返回纯JSON字符串，禁止包含非JSON格式内容，包含字段:user、time、complaint、satisfaction、summary。”,
“complaint: 表示当前评价是否为店铺或产品投诉，取值范围（yes or no）.”,
“satisfaction: 表示用户实际的消费满意度”,
“summary: 提炼本条核心吐槽点，以及可以改进的方向”))
.build();StateGraph sessionAnalysisGraph = new StateGraph(“session_analysis”, subFactory1)
.addNode(“iterator”, node_async(sessionAnalysis))
.addEdge(StateGraph.START, “iterator”)
.addEdge(“iterator”, StateGraph.END);AsyncNodeAction sessionLoaderNode = node_async((state) -> {
// 舆情和评价数据加载… …
return result;
});// 舆情评价结果分析汇总
AsyncNodeAction sessionResultSummaryNode = node_async((state) -> {
// 舆情评价结果分析汇总… …
return Map.of();
});// 通过LLM生成告警报告
LlmNode llmNode = LlmNode.builder().chatClient(chatClient)
.paramsKey(“summary_message”)
.outputKey(“summary_message_to_sender”)
.systemPromptTemplate(“自定义Prompt”)
.build();// 构建Agent运行流程
StateGraph stateGraph = new StateGraph(“ReviewAnalysisAgent”, () -> {
Map<String, KeyStrategy> strategies = new HashMap<>();
… …
return strategies;
}).addNode(“session_loader_node”, sessionLoaderNode)
.addNode(“iteration_session_analysis_node”, iterationNode)
.addNode(“session_result_summary_node”, sessionResultSummaryNode)
.addNode(“message_parse”, node_async(llmNode))
.addNode(“message_sender”, node_async(generateMessageSender()))
.addNode(“human_feedback”, node_async(new HumanFeedbackNode()))
.addNode(“human_action”, node_async(new HumanActionNode()))
.addEdge(START, “session_loader_node”)
.addEdge(“session_loader_node”, “iteration_session_analysis_node”)
.addEdge(“iteration_session_analysis_node”, “session_result_summary_node”)
.addConditionalEdges(“session_result_summary_node”, AsyncEdgeAction.edge_async(state -> {
Integer complaint = state.value(“complaint”, 0);
return complaint > 0 ? “message_parse” : StateGraph.END;
}), Map.of(“message_parse”, “message_parse”, StateGraph.END, StateGraph.END))
.addEdge(“message_parse”, “message_sender”)
.addEdge(“message_sender”, “human_feedback”)
.addConditionalEdges(“human_feedback”, AsyncEdgeAction.edge_async(state -> {
boolean ignore = state.value(“ignore”, true);
return ignore ? StateGraph.END : “human_action”;
}), Map.of(“human_action”, “human_action”, StateGraph.END, StateGraph.END))
.addEdge(“message_sender”, END);
CompiledGraph compiledGraph = stateGraph.compile();
compiledGraph.setMaxIterations(1000);
// 设定当前Agent每小时执行检测一次
ScheduleConfig scheduleConfig = ScheduleConfig.builder()
.cronExpression(“0 0 */1 * * ?”) // 每小时执行检测一次
.build();
compiledGraph.schedule(scheduleConfig);
return compiledGraph;
}
结束语
自主运行的AI Agent开拓了企业智能化场景，通过定时触发、事件响应和人工协同机制，为业务带来高效、精准的自动化能力。借助Spring AI Alibaba框架，开发者可快速构建定制化Agent，实现从数据采集、分析到决策的全流程闭环。
参考链接：
[1]https://blog.langchain.com/introducing-ambient-agents/
基于 RAGFlow 构建私有知识问答应用
传统 RAG 应用因文档解析能力不足，导致相关问题的回答失准。RAGFlow 凭借创新的深度文档理解技术，能精准解析各类复杂格式的原始数据，提升回答准确性。本方案介绍如何一键部署 RAGFlow 并构建私有知识问答应用，无需编码，最快 10 分钟、最低 2 元即可实现。
点击阅读原文查看详情。